Keras: Le tableau de sortie est foiré

Question

J'utilise Keras pour faire une prédiction. Je l'entraîne en utilisant deux tableaux de nombres, Y1 et Y2 pour chaque nombre d'entrée X.

Je veux obtenir une prédiction d'un _Y1 et un _Y2, mais je ne sais pas comment.

La visualisation ne montre rien. Ça a du sens. En le vérifiant, il semble que le tableau "predicition" soit vide.

import numpy as np 
import pandas 
import math 
import random 
from keras.models import Sequential, Model 
from keras.layers import Input, Dense 
from keras.wrappers.scikit_learn import KerasRegressor 
from sklearn.model_selection import cross_val_score 
from sklearn.model_selection import KFold 
from sklearn.preprocessing import StandardScaler 
from sklearn.pipeline import Pipeline 
import graphviz 
import pydot 
import matplotlib.pyplot as plt 

X = np.array([]) 
Y_int = np.array([]) 
Y1 = np.array([]) 
Y2 = np.array([]) 


count = -1 

while count < 1: 
    count += 0.001 
    X += np.array([count]) 
    i = (math.sin(count)) 
    Y_int += np.array([i]) 
    if i > 1 or i < -1: 
     o = 1 
     u = 1/i 
    else: 
     o = i 
     u = 1 
    Y1 += np.array([o]) 
    Y2 += np.array([u]) 

length = len(X) 

# define base model 
def baseline_model(): 
    # create model 
    model = Sequential() 
    inp = Input((1,)) 
    x = Dense(100, kernel_initializer='lecun_normal', activation='tanh')(inp) 
    out1 = Dense(1, kernel_initializer='lecun_normal')(x) 
    out2 = Dense(1, kernel_initializer='lecun_normal')(x) 
    model = Model(inp, [out1,out2]) 
    # Compile model 
    model.compile(loss='mean_squared_error', optimizer='adam') 
    return model 

estimator = baseline_model(); 
estimator.fit(X, [Y1, Y2], batch_size = 20, epochs = 1, verbose = 0) 

plt.axis([-1, 1, -1, 1]) 
plt.ion() 

while True: 
    estimator.fit(X, [Y1, Y2], batch_size = 20, epochs = 1, verbose = 0) 
    prediction = estimator.predict(X) 
    plt.clf() 
    plt.plot(X, Y_int) 
    plt.plot(X, prediction) 
    plt.pause(0.001) 

Answer 1

+= est pas la bonne façon pour les tableaux annexant numpy (Je suppose que ceci est votre but); voici le résultat de votre première while boucle:

count = -1 

while count < 1: 
    count += 0.001 
    X += np.array([count]) 
    i = (math.sin(count)) 
    Y_int += np.array([i]) 
    if i > 1 or i < -1: 
     o = 1 
     u = 1/i 
    else: 
     o = i 
     u = 1 
    Y1 += np.array([o]) 
    Y2 += np.array([u]) 

length = len(X) 

length 
# 0 
X 
# array([], dtype=float64) 
Y1 
# array([], dtype=float64) 
Y2 
# array([], dtype=float64) 

-à-dire tous vos tableaux sont encore vides ...

Si les tableaux annexant est en effet votre objectif, utilisez la méthode numpy.append:

count = -1 

while count < 1: 
    count += 0.001 
    X = np.append(X, np.array([count])) 
    i = math.sin(count)) 
    Y_int = np.append(Y_int, np.array([i])) 
    if i > 1 or i < -1: 
     o = 1 
     u = 1/i 
    else: 
     o = i 
     u = 1 
    Y1 = np.append(Y1, np.array([o])) 
    Y2 = np.append(Y2, np.array([u])) 

length = len(X) 

length 
# 2000 
len(Y1), len(Y2), len(Y_int) 
# (2000, 2000, 2000) 

En outre, vous devez supprimer la ligne model = Sequential() de votre définition de modèle, puisque vous utilisez apparemment le Keras Functional API.